属性图上的半监督异常检测

我们提出一种简单而有效的方法，用于在带有少量实例标签信息的属性图上检测异常实例。尽管标准异常检测方法通常假设实例独立同分布，但在许多现实应用中，实例之间往往显式相连，从而形成所谓的属性图。所提方法通过基于图卷积网络（GCNs）综合考虑节点属性与图结构，将属性图上的节点（实例）嵌入到潜在空间中。为了学习专用于异常检测的节点嵌入（其中因异常稀少而存在类不平衡），GCN 的参数被训练为最小化包围正常实例节点嵌入的超球体体积，同时将异常实例嵌入到该超球体之外。这使得我们只需计算节点嵌入与超球体中心的距离即可检测异常。所提方法通过综合考虑节点属性、图结构与类不平衡，能够有效将少量节点的标签信息传播至未标记节点。在五个真实世界属性图数据集上的实验中，我们证明了所提方法优于多种现有异常检测方法。